Cohere'den metni ve görseli birlikte arayan gömme modeli: Embed 5

Cohere, 30 Eylül 2026'da Embed 5 gömme (embedding) model ailesini tanıttı. Aile iki modelden oluşuyor: kaliteyi öne alan Embed 5 Pro ve hız ile yüksek hacim için tasarlanan Embed 5 Fast. İki model de metni, görseli ve ikisinin bir arada olduğu girdileri aynı sayısal temsile dönüştürüyor. Böylece taranmış belgeler, tablolar ve grafikler metinle aynı aramada bulunabiliyor.

Gömme modelinin işlevi

Gömme modeli bir metni ya da görseli, anlamını taşıyan bir sayı dizisine (vektör) çeviriyor. Arama sistemleri ve RAG (bilgi getirerek yanıt üretme) uygulamaları, soruya anlamca en yakın belgeyi bu vektörler üzerinden buluyor. Şirket arşivlerinin önemli bir kısmı taranmış PDF, sunum, tablo ve grafiklerden oluştuğu için görseli doğrudan anlayabilen bir gömme modeli, belgeyi önce metne çevirme adımına olan ihtiyacı azaltabiliyor.

Teknik özellikler

Cohere'e göre iki model de 128 bin kelime parçasına (token) kadar bağlamı işleyebiliyor ve 100'den fazla dili destekliyor. Çıktı boyutu 2048'den 256'ya kadar seçilebiliyor. Matryoshka yöntemi sayesinde küçük boyutlar büyük vektörün ilk kısmından elde ediliyor, bu da depolama ve arama maliyetini düşürmeye imkan veriyor. Vektörler float, int8 ve binary biçimlerinde alınabiliyor.

Pro ve Fast aynı gömme uzayını paylaşıyor: Pro ile dizinlenen belgeler, yeniden dizinleme gerekmeden Fast ile sorgulanabiliyor. Şirket Pro'yu toplu dizinleme ve kalitenin kritik olduğu işler için, Fast'i ise etkileşimli arama, yüksek hacimli RAG ve ajan tabanlı bilgi getirme için öneriyor. Cohere'in paylaştığı sonuçlara göre Embed 5 Pro, taranmış belge ve sayfa görseli aramasında, finans veri kümelerinde ve ayrıştırılmış PDF testlerinde Voyage ve Gemini Embedding gibi rakip modellerin önünde yer alıyor.

Erişim ve kurulum seçenekleri

Modeller Cohere API, Model Vault, Microsoft Foundry, Amazon SageMaker ve Cohere'in kurumsal yapay zeka platformu North üzerinden kullanılabiliyor. Cohere, iki modelin de vLLM ile sunulabildiğini ve şirketin kendi sanal özel bulutunda (VPC) ya da şirket içi sunucularda özel kurulumla çalıştırılabildiğini belirtiyor. Embed 5, Hugging Face'te herkesin indirebileceği biçimde yayımlanmadı; bu yüzden açık model sınıfında yer almıyor. Güncel fiyatlar Cohere'in sitesinde.

PDF ve grafik arşivi olan şirketler için bir seçenek

Finans, hukuk, sigorta ve sağlık gibi, bilginin büyük kısmının taranmış belge, tablo ve grafik içinde durduğu alanlarda arama ya da RAG kuran şirketler Embed 5'in asıl hedef kitlesi. 100'den fazla dil desteği, Türkçe ya da Arapça belgelerle çalışan kurumlar için de anlamlı. Verisini dışarı çıkarmak istemeyen, düzenlemeye tabi sektörlerdeki şirketler için kendi altyapısında çalıştırma seçeneği ayrıca önem taşıyor.

Karşılaştırmaların bir kısmı, Cohere'in aynı gün tanıttığı RCP-nDCG@10 adlı kendi değerlendirme yöntemiyle yapıldı. Bu yöntem, bulunan belgeleri her soruya özgü ilgililik ölçütleriyle puanlıyor. Sonuçlar gerçek şirket arşivlerinde farklı çıkabilir; modeli kendi belgeleriniz üzerinde denemek ve bağımsız araştırmacıların değerlendirmelerini takip etmekte fayda var.

Kaynaklar: Cohere Blog: Embed 5.